Machine-Learning-Modelle zu entwickeln, ist eine Technologie aus dem theoretischen und dem akademischen Umfeld. Ziel ist es jedoch, die ML-Modelle in einer Produktivumgebung effizient einzusetzen. Mark Treveil und sein Team beschäftigen sich in diesem Buch mit durchdachten MLOps-Strategien zum Aufbau einer stabilen DevOps-Umgebung für Ihre ML-Anwendungen.
Sie befassen sich mit der Verwaltung, Bereitstellung, Skalierung und Überwachung im Unternehmensumfeld und den organisatorischen sowie technischen Herausforderungen, um Ihre ML-Modelle kontinuierlich zu verbessern und langfristig zu warten.
Data Scientists und Data Engineers können mittels der vorgestellten MLOps-Schlüsselkonzepte ML-Pipelines und -Workflows optimieren. ML-Experten aus der ganzen Welt geben Ihnen dabei anhand von Fallbeispielen praxiserprobte Hilfestellungen zu den fünf Schritten des Modelllebenszyklus – Entwicklung, Preproduction, Deployment, Monitoring und Governance. So können Sie robuste MLOps-Prozesse umfassend in den eigenen ML-Produktworkflow integrieren.
Erschließen Sie den Wert Ihrer Data-Science-Anwendungen für Ihr Unternehmen vollständig, indem Sie Störfaktoren in ML-Pipelines und -Workflows ausräumen
Verfeinern Sie Ihre ML-Modelle durch Retraining, regelmäßiges Tuning und grundlegende Überarbeitung, um eine dauerhaft hohe Qualität zu gewährleisten
Organisieren Sie den MLOps-Lebenszyklus so, dass Risiken, die in den Modellen stecken könnten, minimiert werden, damit die Ergebnisse unverzerrt, ausgewogen und nachvollziehbar sind
Optimieren Sie ML-Modelle nicht nur für die eigene Deployment-Pipeline, sondern auch für externe Partner, deren Systeme komplexer und weniger standardisiert sind
Aus dem Inhalt
Teil I – Was ist MLOps, und warum wird es benötigt?
Kreditrisikomanagement bei der Vergabe von Verbraucherkrediten
Empfehlungssysteme im Marketing
Die Verbrauchsprognose am Beispiel der Lastprognose
MLOps liegt nicht allein in der Verantwortung von Data Scientists. Diese Leseprobe zeigt, dass im Rahmen der MLOps-Strategie eine Vielzahl an Beteiligten eine entscheidende Rolle bei der Wartung von ML-Modellen in der Produktion spielen. Als wesentlicher Bestandteil der KI-Strategie sollten im Unternehmen Verantwortliche vom Fachexperten bis hin zum technisch versierten Machine Learning Architect beteiligt werden, um MLOps erfolgreich durchzuführen.
„Wenn Sie auf der Suche nach Strategien sind, um die konkreten Prozesse der ML-Entwicklung zwischen den Teams zu verbessern, ist dieses Buch genau das Richtige für Sie.“
— Adi Polak Senior Software Engineer, Microsoft
„Ein hervorragender Leitfaden zur Entwicklung, Skalierung, Optimierung und zum Management des Modell-Deployments im Unternehmen.“
— Parul Pandey Data-Science-Evangelist, H2O.ai
Wer hat's geschrieben?
Mark Treveil hat bereits zahlreiche Produkte in verschiedenen Bereichen wie etwa Telekommunikation, Bankwesen und dem Online-Börsengeschäft konzipiert. Sein eigenes Startup hat eine regelrechte Wende in der britischen Kommunalverwaltung initiiert, wo seine Digitalisierungslösung noch immer vorherrscht. Derzeit ist er im Pariser Produktteam von Dataiku beschäftigt.
MLOps - Konzepte im Überblick
ML-Prozesse im Unternehmen nachhaltig automatisieren u. skalieren
Verlag
OReilly (dpunkt)
Autor:in
Mark Treveil
Fassung
201 Seiten, Softcover
Erschienen
08/2021
ISBN
978-3-96009-172-1 9783960091721
Buch
€34,90 inkl. MwSt.
Best.-Nr.: OR-172
Versandkostenfrei (D)
Lieferbar in 48 h
eBook (PDF)
€inkl. MwSt.
Best.-Nr.:
MLOps - Konzepte im Überblick
ML-Prozesse im Unternehmen nachhaltig automatisieren u. skalieren
Best.-Nr.: OR-172 Lieferbar in 48 h
€34,90 inkl. MwSt.
Versandkostenfrei (D)
Best.-Nr.:
eBook (PDF)
€inkl. MwSt.
MLOps - Konzepte im Überblick
ML-Prozesse im Unternehmen nachhaltig automatisieren u. skalieren
